【 AI 媒體識讀】當全世界一半內容都是 AI 寫的，該怎麼培養判斷力？2026 數位媒體素養三大能力：追問、整合、輸出

Graphite 調查：2024 年 11 月，網路新發表文章中 AI 生成內容數量超過人類，後續資料顯示約落在 52% 左右。圖片來源：ARCHIVE 萬氏物序。

文／高偉倫 DanielKao（ARCHIVE 萬氏物序創辦人暨執行長）

最近打開社群 App 滑貼文的時候，已經有點分不清楚文章或影片，是真人創作還是 AI 生成。舉個例子，在台灣人最愛用的 Threads 跟 YouTube、Instagram 上，出現很多頻道跟帳號假借醫師專家名義大量用 AI 製作「三天治好糖尿病」、「奇蹟食物逆轉癌症」、「不用再買漱口水了」、「第一名家家都在吃」影片。

社群平台冒出大量 AI 生成「假名醫」影片 誇大療效引發健康隱憂。圖片來源：Threads (@sunfish3200)、台灣事實查核中心

台灣事實查核中心發現，這些聳動標題跟說法通常是 AI 誇大出來的，背後主講的行醫 55年、85歲的「名醫」其實是 AI，前後經歷都對不上，很明顯是虛構人物。可是這類型的影片流量還是非常高，動不動就 30 萬次觀看，會讓消費者買了來路不明的療效產品，甚至讓民眾延誤就醫。

生病先問 AI ？　ChatGPT 變成全民掛號台　

ChatGPT 出來之後，很多人生病後的第一步不是先去看醫生，是先問 AI 到底自己生了什麼病，等 AI 形容到瀕死時才願意就醫。美國心理學會（APA）2025年就 統計，美國成年人中約有三分之一的人用不同的 AI 來問健康問題，有將近六成都是 30 歲以下的年輕人。

雖然早在 2020 年，麥肯錫就曾出報告說 AI 可以翻轉醫療照顧，事實上 AI 也真的幫助醫生解決不少醫療負擔，從治療決策回推到診斷，一直到病人還沒生病時能做好自主健康管理，都是智慧醫療正向的發展。

近 75% 醫師表示資訊科技應用能降低錯誤，各科醫師能減少 2-12 %的工作。圖片來源：未來城市。資訊圖表設計／高偉倫、吳培弘、林姿吟。

但澳洲南澳大學今年年做了研究，發現 ChatGPT 針對病理類問題的回答有 88% 會出現資訊不全或誤導性內容。舉例來說，如果問它「天然食物是否能逆轉癌症？」，ChatGPT 不只肯定，還已讀亂回，提供一些不存在的專家和療法。

這逼得 Open AI 跳出來更新 ChatGPT 的使用政策，從 2025 年 10 月 29 日開始，明確禁止模型提供需要專業執照的醫療、法律跟財務建議，意思就是說大家如果真的遇到需要醫生專業諮詢時，請還是認真看醫生。

今年 10 月 的 HLTH 醫療科技大會上，Sam Altman 說 ChatGPT 一週活躍人數已經來到 8 億。OpenAI 再次強調，AI 工具的建議都是參考用，不要拿來做任何診斷，否則誤診跟延誤治療都有非常高的風險。

ChatGPT 從 10 月 29 日開始，如果沒有專業醫師或律師等持有相關執照人士的參與，AI就不能直接給你針對個人情況、需要有專業資格才能給出的建議，例如治病方案或法律意見。資料來源：https://openai.com/zh-Hant/policies/usage-policies/

當然有一說，Open AI 更新政策背後的動機，可能是內部正在評估進軍醫療健康領域，推出專業醫療版 ChatGPT。《Business Insider》11 月 10 出的最新報導，說 OpenAI 從去年開始就一直在挖角醫療界人才，包括被稱為醫療界 LinkedIn 的 Doximity 共同創辦人 Nate Gross，讓他負責帶領健康策略團隊，又聘了 Instagram 的 Ashley Alexander 當健康產品副總裁。

但不管是基於法規還是為商業策略，專業且經過查證的資料品質，都比任何技術跟策略都還更重要。

全球超過一半新文章都是 AI 生成　我們需要什麼素養能力？

根據 Graphite 發表的〈More Articles Are Now Created by AI Than Humans〉報告，他們針對 2020 到 2025 年間，從 Common Crawl 網頁資料庫中隨機抽樣 6 萬 5 千篇文章，用 Surfer AI 辨識系統，把每篇文章內容切割成 500 字作為一個段落判定。如果系統分析後發現有超過 50% 的內容段落是 AI 生成，就會把這篇文章歸類為「AI 生成文章」。

原本文章都是真人寫的，AI 協作非常少。但到了 2022 年底，ChatGPT一發表，AI 寫文章的比例開始快速飆升。

到了 2024 年 11 月，人類首度被 AI 超車。AI 生成內容的數量超過真人創作，達到 52%的新高，也就是說，現在你在網路上看到的新文章裡，超過一半可能都是 AI 寫的。

從上圖看，在 ChatGPT 出來之前，AI 生成的寫作內容只有 10%。在 AI 正式進入大亂鬥之後，一年內就暴衝到 39%，2024年底再爬升到 40 %。到了2024年，人類跟 AI 內容產製數量比例正式黃金交叉。資料來源：Graphite。

AI 把寫文章的技術門檻降到極低，從內容產製角度，單純只靠會產文速度跟純技術內容寫作，已經無法跟 AI 競爭，然而在這時代更重要的價值，就是你的「判斷力」。

AI 撰寫內容不見得錯誤，但真假難辨的資訊中，你能否找到方法為事實查證，還能幫內容把關，都是 AI 時代中需要練習的素養技能。

---

但具體來說，怎麼訓練你的判斷力？ 有三大重點。

AI 時代中，必備的三大媒體素養能力

2025在 AI 時代中必備的三大媒體素養能力：追問驗證、整合連結、輸出表達。可以建立辨識資訊的真偽，讓你在 AI 時代中建構你的媒體判斷力。製作：ARCHIVE 萬氏物序　高偉倫DanielKao。

第一，要有追問跟驗證資訊的能力。雖然大家很會講要有批判性思考能力，但卻不一定知道怎麼訓練跟執行。若用簡單一點的概念就是對訊息「追問」，當你看到任何資訊，都先主動問來源、再問為什麼，可能包括原因動機、背後證據，即便是權威媒體機構也不該馬上全信。

最近才發生美國媒體 Fox News 誤用 AI 生成影片來製作 SNAP（美國營養補助計畫）被抗議的新聞。結果他們把影片放上新聞之後發現是個大烏龍，X 的網友發現那支短影音是用 AI 做出來的，下面是事件發生經過，被 Straight Arrow News 報導出來。

https://youtu.be/JoBqfmFa9M8?si=02Zq8h5zQUwhafib

美國 Fox News 於 2025 年底誤將網路流傳的 AI 生成假影片當作真實新聞，報導「美國補充營養協助計畫（SNAP）受益者因政府關門恐停發補助而威脅大洗劫」等內容。該影片隨後被社群平台 X 的網友發現為 AI 生成的虛構內容，媒體隨即遭到各界抨擊並修改報導。影片來源：Straight Arrow News。

由於 AI 生成影片非常氾濫，越來越多民眾開始研究 AI 生成的痕跡，像是人物或畫面看起來過度精緻、圖片上面字是亂碼或是敘事邏輯有問題，都會多所懷疑。現在 AI 公司多半都會強制在所有生成影片加入浮水印跟導入 C2PA（內容來源與真實性）技術，讓民眾更清楚辨識真假。雖然說 Gemini 3 Pro 跟 製圖工具 Nano Banana Pro 出來之後，辨別真假資訊真的是難如登天。

但套用回第一項素養能力追問跟驗證，下次遇到懷疑是 AI 假影片，你可以先

① 辨識來源標記 → 要學會看不同 AI 生成的浮水印、怪異或錯誤字體。

② 比較多來源 → 不只看一篇媒體報導，多方比較媒體資料跟消息來源。

---

那要怎麼找到多樣的資料來源？我們可以用 AI 來打敗 AI 。舉台灣最近「普發現金 1 萬元」為例，看到有資訊寫說普發現金變10倍利潤，我們就用兩套 AI 工具 ChatGPT 5.1 與 Gemini 3 來看資訊真偽跟查證原始資料的方式差異：

ChatGPT 5.1 查證流程分析：

• ChatGPT在回覆每個查證問題時，句尾都會有明確灰框註記「原始資料來源」，如「」等，隨時檢查資料出處。

• 若要全面檢視來源，能滑到回覆底部，點開「Sources」即可看到所有引用的網站或原始新聞報導（如Yahoo新聞、金融新聞、事實查核中心等），包含政府發現金的官網、警方公告、刑事局防詐通報，明確交代官方認證資訊。

• 優點：高透明度，每段資料後方都有出處。即使引用多則資料，也能追蹤查證過程，每一句話都能核對來源，有效避免假消息以及資訊混淆。普發現金1萬元假網站與釣魚簡訊案例，都可追溯來源，並對照警政署、財政部等官方澄清公告。

圖中每條 AI 回覆都在句尾自動加註原始資料來源（灰色標記），用戶可隨時核查每一句的出處。只要滑動到回覆最下方點選「Sources」，可以一次看完所有引用來源，強化查證習慣、避免資訊混淆。製作：ARCHIVE 萬氏物序　高偉倫DanielKao。

相同的假新聞問題，我們一樣也問 Gemini 3。

Gemini 3 查證流程分析：

• Gemini 3 的回覆並非一定註明資料來源，較常直接給出結論或整理段落，少部分才附上完整Web連結或新聞來源。

• 優點：回覆精簡、快速彙整民生現象。

• 缺點：資料來源透明度低，難以全面核實每一段敘述的真偽，學術跟調查情境謹慎以待。

相較下，Gemini 3回覆不一定會標註資料來源，而是直接給出答案或結論，這種回覆模式容易在投資或生活詐騙情境中讓假訊息流竄。若希望充分查證，務必「主動追問」要求看所有資料來源，才能補強資訊透明度。製作：ARCHIVE 萬氏物序　高偉倫DanielKao。

當然兩套 AI 都認為「普發現金變10倍利潤」是有問題的，在步驟上 ChatGPT 5.1 強調「逐句查證」，Gemini 3 則更著重「快速回覆」，給使用者經過 AI 判斷後的答案，在查證縝密度上，Gemini 要花的時間成本再高一些。

在我們日常民生假新聞與詐騙事件，要盡可能找到完整資料來源連結，強化自己的媒體識別素養，先求資料確定再分享給親朋好友。

---

再舉個媒體識讀中「標題判讀」的追問例子。永續人最常關心的會議就是每年 11 月會舉辦的 COP（聯合國氣候變遷大會）碳排放議題為例，媒體標題可能寫「COP30 減碳無望！大國缺席，進度膠著，全球碳排再創新高」。你如果只看標題就會非常悲觀，但看到標題第一步不應該是直接接受，而是主動追問：

• 這個數據（例如「2025全球碳預算報告」預估碳排量達381億噸、僅剩4年碳預算），是否有多方科學報告和原始資料為依據？

• 媒體引用的來源是哪個官方或科學機構？

• 是否有原始報告或數據連結？生成內容是否被 AI 工具加工，是影片還是文字，有沒有原始註記或浮水印？

看一年你可能會覺得很嚴重，如果回去看前幾屆 COP 的新聞，基本上每年媒體下標邏輯跟結論都差不多。但到底真實數據為何，最正確的做法就是直接去看〈Global Carbon Budget 2025〉原始報告、聯合國COP官網、台灣環境部 COP30 戰情中心，確認數據來源及解釋脈絡。

在研究所訓練方法論時，老師說了一句我一輩子受用的話，叫我們「永遠與知識保持距離」，希望我們遇到任何資訊，都要有主動質疑資訊的動機、辨識真假，養成驗證事實跟分析邏輯結構，讓它變成反射動作。

看到媒體出包不用見獵心喜，在 AI 時代，基本上你無法統計到底看過多少假資訊，以及保證自己每則訊息都有時間跟心力去查證。所以唯有自己能夠盡量不說沒有事實根據跟空話，確認資訊來源後再分享。

第二，整合概念跟跨域連結。判斷力不是只有單點的認知，如果時間允許，就要取材自不同領域的知識、觀點跟方法，研究議題更深層的結構意義。

如果你真的關心永續真實成效，對 COP30 要做到的目標也不該只看減碳量，應把各國治理邏輯、能源趨勢與社會行為都考量進去，才能把問題跟現象看得更清楚。

舉例來說，各國的 NDC（國家自主貢獻）報告的內容，除了減碳目標，其他金融制度、產業轉型、民眾參與做得如何？中國、美國、歐盟 NDC 報告有的強調絕對減量，有的是把 GDP 當目標。有些國家已做到減量，為何全球總量仍在漲？台灣的減碳進展，和全球趨勢如何比較？交叉比對減碳政策和成效，更能夠聚焦 COP 30 的討論重點。

要怎麼練習概念整合？ 拆成兩大部分

首先是「查詢多元資料跟數據來源」。COP30《全球碳預算報告》說 2025 年全球化石燃料的碳排放量預估到 381 噸，創下歷史新高。但只看這數據很難掌握實際減碳的全貌，可以先多方蒐集國際科學報告、政策公告與分析文章。這一點現在也可以靠 AI 幫忙，透過不管是 ChatGPT、Perplexity 或是 Gemini ，都可以去看它的資料來源，把多元資料點彙整起來。

跟前面兩個 AI 系統一樣，2025年問 AI 問題都能看到完整的資料來源。這個截圖是在 Perplexity 查完資料後，它提供的 10 項資料來源示意。圖片來源：ARCHIVE 萬氏物序　高偉倫DanielKao。

再來，是「提問、拆解議題結構」。例如看到碳排持續上升，你可以先思考原因：這個數據結果是單純經濟增長帶動？還是能源結構老舊、科技發展（像是 AI、大數據推動算力需求）反過來加速能源消耗？或是政策面的短期利益與長期目標出現落差？每一現象都先提出至少三個以上的問題。

再來把議題拆成構面（科技、產業、經濟、法規、社會行為、環境等，但還是看你的時間決定），針對每一個構面尋找資料、背景跟專家觀點。待整理議題結構之後，有助於發現沒想過的因果、漏洞或是相關可能。

當我們在討論 COP30 跟 Global Carbon Budget 資料時，

① 查詢原始數據：381 億噸、剩 4 年碳預算

② 整合脈絡：NDC 報告、產業結構、AI 用電需求、人口與消費成長。

第三，輸出、自我反思與修正。在所有判斷力養成的最後一點，就是你如何把吸收與整合的資訊，內化成自己的價值判斷並輸出，把自己的查證和跨域整合內化成有根據的論述：用文字寫出，加上能用嘴巴分享發表，兩者缺一不可。

其實不管是拿到新資訊、參與討論、或做出決策前，都要練習輸出跟自我反思。問自己：這次我討論的依據到底是事實、推測還是同溫層情緒？我選擇這個立場，有沒有評估過倫理、社會、長遠影響？

寫作時，要分清楚「事實資料」、「推論分析」。像是討論 COP30 成效時，有了清楚的數據跟分析後，就勇敢質疑減碳失敗的結論，並且反思資料是否受限於短期盤點、特定指標或同溫層立場。

舉例來說，很多人問永續做這麼久，開這麼多次COP，到底有沒有用？  

你要馬上回答嗎？

這是一個永續圈裡常被問到的大哉問，不是一句話能輕鬆回答的問題。一樣舉 COP30 為例，你不能只看全球碳排有沒有減少，細看數據發現全球化石燃料的二氧化碳排放量不減反增，比2024年增長1.1%。

但這就代表永續沒用嗎？

可能最關鍵的是你的下一個反問：「我到底用什麼框架在判斷『有效』或『無效』？」

有些人純粹從環境科學的減量角度批判永續進程，但你會發現近十年，全球再生能源總裝機量倍增、農業碳排放強度下降、森林保護資金創新高、各國也持續推出創新的減碳作法。這算有效嗎？

即便碳排量一直增加，表面上表面上數據看起來沒用，但減碳過程中，可以從中看到「哪裡需要調整跟修正」，再生能源雖然提升，但全球人口、工業、消費習慣也在增長，再加上 AI 不可逆的能源需求，結構性減量要怎麼做？是否要調整創新，加速電網轉型？ 甚至到調整全球金流和消費標準。

所以第三點的結論，就是建立一個有力的輸出反思跟修正能力。

練習梳理跟寫下自己的分析，主動和跟自己立論不同的人辯證，讓個人思考真正進入社會溝通與行動，在討論時常回去看自己論述依據。最重要的關鍵是，從哪裡可以引述說法，願意為自己的判斷負責，一旦被證明不完整或失準，也能快速坦然修正。

AI時代的媒體識讀：為判斷負責　主動反思修正

AI 新浪潮已經顛覆內容生產生態，我們處在一個「超過一半新文章是 AI 生成」的時代，這讓資訊品質控管與事實查證變得非常困難。從誤導性的 AI 醫療影片、專業深度報告到民眾日常新聞，每個人可能每天都在轉傳假新聞。面對真假難辨的資訊洪流，個人的判斷力與媒體素養是最核心的競爭力。但最後將上述三個方法做個簡單總結：

1. 批判性思考的追問與驗證：永遠對資訊保持「追問」的動機，不盲信權威，學會辨識 AI 痕跡與浮水印，並透過多方來源（甚至利用 AI 工具的「溯源」功能）來查證事實。

2. 整合概念與跨域連結： 不只停留於單點資訊，更要將不同領域的知識、數據、觀點進行交叉比對，將議題拆解成多個構面進行分析，以建立更全面的認知結構。

3. 輸出、自我反思與修正： 將內化的資訊轉化為有事實根據的論述，區分「事實」與「推論」，並勇於在社會溝通中接受辯證。最重要的是，願意為自己的判斷負責，在資訊不完整或失準時，能快速坦然修正。

真正的價值在於你如何處理資訊，以及你為判斷所做的承諾。 唯有將「追問驗證、整合連結、輸出表達」這三大素養內化，才能盡量不被虛假資訊欺騙，建構自己的媒體識讀專業判斷力。